Giới thiệu dự án

Thị trường dầu nhờn và hóa chất công nghiệp tại Việt Nam trong kỷ nguyên hậu gia nhập WTO (World Trade Organization) chứng kiến tốc độ tăng trưởng kép hàng năm (CAGR) đạt từ 5.5% đến 6.2%, song hành cùng quá trình công nghiệp hóa và hiện đại hóa giao thông vận tải. Tuy nhiên, các doanh nghiệp phân phối B2B (Business-to-Business) phải đối mặt với áp lực cạnh tranh khốc liệt từ các tập đoàn đa quốc gia như BP Castrol, Chevron Caltex, Shell, ExxonMobil và Tổng công ty Hóa dầu Quân đội/Petrolimex (PLC). Trong bối cảnh giá dầu gốc (base oil) trên thị trường thế giới biến động mạnh và rủi ro chuỗi cung ứng gia tăng, công tác quản trị bán hàng đòi hỏi một khung quy trình khoa học, chính xác thay vì phụ thuộc vào trực giác.

Công ty Cổ phần Kho vận và Dịch vụ thương mại VINATRANCO (vốn điều lệ 18 tỷ VNĐ, tiền thân thuộc Bộ Thương mại, hoàn tất thoái vốn nhà nước năm 2015) ghi nhận doanh thu dao động từ 384,23 tỷ VNĐ (2013) đến 408,97 tỷ VNĐ (2015). Trong đó, ngành hàng dầu nhờn (phân phối các thương hiệu Total, PTT Thái Lan, dầu hóa dẻo cao su CPC No.2, Tudalen 65/11, PTT Rubflex 105) đóng vai trò chiến lược, chiếm tỷ trọng từ 49.15% đến trên 70% tổng doanh thu.

Thực trạng công tác xây dựng kế hoạch bán hàng tại doanh nghiệp bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Sai lệch dự báo lớn (Forecast Bias & Error): Chênh lệch giữa dự báo và doanh số thực tế của ngành dầu nhờn lên tới 19.35% (năm 2014) và 18.27% (năm 2015), dẫn tới mất cân đối tồn kho hoặc đứt gãy nguồn cung.
  • Xung đột quy trình lập kế hoạch: Quy trình dự báo thực hiện từ dưới lên (Bottom-Up từ nhân viên kinh doanh), nhưng quy trình áp đặt mục tiêu bán hàng lại thực hiện từ trên xuống (Top-Down từ Ban giám đốc), tạo ra khoảng cách lớn giữa chỉ tiêu kỳ vọng và năng lực thị trường thực tế.
  • Áp lực công nợ khách hàng (Accounts Receivable Risk): Tỷ trọng nợ trên tổng doanh thu dầu nhờn tăng liên tục từ 47.8% (2013) lên 49.6% (2014) và 53.8% (2015), gây ứ đọng vốn lưu động.
  • Chính sách bán hàng tĩnh: Cơ chế chiết khấu (2% cho đơn 6–9 tỷ VNĐ; 2.5%–4% cho đơn > 9 tỷ VNĐ) và kế hoạch ngân sách chưa gắn liền với quản trị rủi ro biến động giá vốn hàng bán (COGS chiếm tới 81.55%–81.94% chi phí).

Dự án đặt ra 3 mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về quản trị bán hàng và xây dựng kế hoạch bán hàng B2B trong doanh nghiệp thương mại dịch vụ.
  2. Đánh giá toàn diện thực trạng công tác dự báo, thiết lập mục tiêu, xây dựng chương trình hành động và lập ngân sách bán hàng giai đoạn 2013–2015 tại VINATRANCO.
  3. Đề xuất mô hình tích hợp hoàn thiện công tác xây dựng kế hoạch bán hàng dầu nhờn giai đoạn 2016–2020, ứng dụng các phương pháp lượng hóa dữ liệu kết hợp điều chỉnh chuyên gia.

Phạm vi nghiên cứu tập trung vào ngành hàng dầu nhờn công nghiệp, dầu động cơ và dầu hóa dẻo cao su tại hệ thống kho vận phía Bắc (kho Đông Anh, kho Trâu Quỳ) của VINATRANCO, phục vụ các khách hàng B2B trọng điểm (Toyota, Công ty Cao su Sao Vàng, Xí nghiệp Xe buýt Hà Nội, Formosa).


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát thực trạng quản trị bán hàng tại VINATRANCO cho thấy sự thiếu đồng bộ giữa các mắt xích trong chuỗi giá trị bán hàng.

Tiêu chí phân tích Phương pháp hiện tại của VINATRANCO Mô hình chuẩn hóa B2B đề xuất Đánh giá khoảng cách (Gap Analysis)
Căn cứ dự báo Khảo sát định tính nhân viên kinh doanh, thống kê kinh nghiệm Chuỗi thời gian (Time-Series) + Chỉ số kinh tế vĩ mô + Delphi Thiếu mô hình định lượng; phụ thuộc cảm tính cá nhân
Thiết lập mục tiêu Top-Down áp đặt từ Ban Giám đốc Tích hợp SMART kết hợp đàm phán ma trận phân khúc Gây triệt tiêu động lực và thiếu tính khả thi cục bộ
Kiểm soát công nợ Theo dõi hậu kiểm, chưa phân tầng hạn mức Ma trận xếp hạng tín nhiệm B2B & Dynamic DSO Tỷ trọng nợ tăng cao (53.8%), rủi ro mất thanh khoản
Ngân sách bán hàng Tăng dần theo tỷ lệ lịch sử (Incremental Budgeting) Ngân sách linh hoạt (Activity-Based Budgeting - ABB) Không thích ứng kịp biến động giá dầu thế giới

Phân tích ưu tiên yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Mô hình định lượng sai số dự báo (MAPE), quy trình chốt mục tiêu bán hàng 2 chiều (Hybrid Convergence Workflow), bảng cân đối ngân sách linh hoạt theo giá vốn (COGS).
  • Should have: Phân khúc khách hàng B2B theo giá trị vòng đời (CLV) và rủi ro công nợ; cơ chế tự động hóa biểu mẫu báo giá theo biến động độ nhớt (Viscosity Index - VI) và tiêu chuẩn SAE/API.
  • Could have: Dashboard trực quan hóa KPI bán hàng theo khu vực địa lý và ngành hàng.
  • Won't have: Hệ thống tự động hóa giao dịch thương mại điện tử B2C (không thuộc phạm vi B2B dầu công nghiệp).

Thiết kế hệ thống

Kiến trúc giải pháp hoàn thiện công tác xây dựng kế hoạch bán hàng bao gồm 4 tầng chức năng chính:

+-------------------------------------------------------------------------+
|                         TẦNG QUYẾT ĐỊNH & KIỂM SOÁT                     |
|  - Phê duyệt Mục tiêu SMART   - Hạn mức Ngân sách   - Quản trị Công nợ  |
+-------------------------------------------------------------------------+
+-------------------------------------------------------------------------+
|                     TẦNG TÍCH HỢP QUY TRÌNH (HYBRID ENGINE)              |
|  - Điều hòa Top-Down / Bottom-Up   - Phân bổ Quota theo Trọng số Đại lý |
+-------------------------------------------------------------------------+
+-------------------------------------------------------------------------+
|                     TẦNG TÍNH TOÁN & DỰ BÁO ĐỊNH LƯỢNG                  |
|  - Holt-Winters Smoothing    - Linear Regression    - Tính sai số MAPE  |
+-------------------------------------------------------------------------+
+-------------------------------------------------------------------------+
|                         TẦNG DỮ LIỆU TẬP TRUNG                          |
|  - Lịch sử Bán hàng (2013-2015)  - Biến động Base Oil  - Hồ sơ Khách nợ |
+-------------------------------------------------------------------------+

Công nghệ và công cụ thực thi:

  • Ngôn ngữ xử lý & Phân tích: Python 3.10 (Thư viện pandas 2.0.3, statsmodels 0.14.0, scikit-learn 1.3.0).
  • Cơ sở dữ liệu quản trị: PostgreSQL 15.3 lưu trữ dữ liệu bán hàng, hạn mức tín dụng và danh mục kỹ thuật dầu nhớt.
  • Hệ thống ERP hỗ trợ: Tích hợp mô-đun Sales & Accounting trên nền tảng Odoo 16.0 / Excel Power Query.

Cấu trúc cơ sở dữ liệu quan hệ cho module kế hoạch bán hàng:

-- Bảng lưu trữ danh mục sản phẩm dầu nhớt kỹ thuật
CREATE TABLE dim_product_lubricant (
    product_id VARCHAR(20) PRIMARY KEY,
    brand_name VARCHAR(50) NOT NULL, -- Total, PTT, CPC, Tudalen
    lubricant_group VARCHAR(50) NOT NULL, -- Engine, Industrial, Marine, Rubber Plasticizer
    viscosity_index INT NOT NULL,
    sae_grade VARCHAR(20),
    api_standard VARCHAR(10),
    base_cost_price NUMERIC(15, 2) NOT NULL
);

-- Bảng kế hoạch bán hàng và dự báo định kỳ
CREATE TABLE fact_sales_plan (
    plan_id SERIAL PRIMARY KEY,
    product_id VARCHAR(20) REFERENCES dim_product_lubricant(product_id),
    customer_id VARCHAR(20) NOT NULL,
    plan_year INT NOT NULL,
    plan_quarter INT NOT NULL,
    bottom_up_forecast NUMERIC(15, 2),
    top_down_target NUMERIC(15, 2),
    adjusted_consensus_target NUMERIC(15, 2),
    cogs_allocated NUMERIC(15, 2),
    credit_limit_assigned NUMERIC(15, 2)
);

Methodology

Quy trình triển khai nghiên cứu và chuẩn hóa kế hoạch áp dụng phương pháp luận phối hợp (Mixed Methodology):

  1. Nghiên cứu định lượng (Quantitative Research): Khai thác chuỗi dữ liệu thứ cấp từ Báo cáo tài chính, Báo cáo kết quả kinh doanh và sổ chi tiết bán hàng giai đoạn 2013–2015 tại Phòng Tài chính Kế toán và Phòng Kinh doanh Dầu.
  2. Nghiên cứu định tính (Qualitative Research): Phỏng vấn bán cấu trúc các cấp lãnh đạo (Tổng Giám đốc, Phó Tổng Giám đốc phụ trách kinh doanh, Trưởng phòng Kinh doanh Dầu) để chuẩn hóa trọng số chuyên gia.
  3. Ma trận đánh giá rủi ro kế hoạch:
Nhóm rủi ro Xác suất Tác động Chiến lược giảm thiểu (Mitigation Strategy)
Biến động giá dầu thế giới Cao Cao Thiết lập kịch bản ngân sách linh hoạt (Worst/Base/Best Case)
Khách hàng nợ quá hạn kéo dài Trung bình Cao Khóa chiết khấu vượt mức; áp dụng lãi suất phạt trên hợp đồng
Sai lệch thông tin nhân viên Cao Trung bình Tự động hóa trích xuất dữ liệu từ phần mềm kế toán

Implementation và kết quả

Development process

Quá trình xây dựng và chuẩn hóa mô hình kế hoạch bán hàng được thực hiện qua các giai đoạn cụ thể:

  • Giai đoạn 1: Chuẩn hóa dữ liệu đầu vào: Làm sạch dữ liệu doanh thu dầu nhờn giai đoạn 2013–2015 (2013: 190.19 tỷ; 2014: 270.69 tỷ; 2015: 295.07 tỷ VNĐ).
  • Giai đoạn 2: Xây dựng thuật toán dự báo kết hợp (Hybrid Forecasting Algorithm): Tích hợp phương pháp San bằng mũ (Exponential Smoothing) với điều chỉnh định tính theo trọng số chuyên gia (Delphi Adjustment).

Thuật toán dự báo bán hàng dầu nhờn công nghiệp (Python Implementation):

import numpy as np
import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing

def calculate_hybrid_sales_forecast(historical_sales: list, alpha: float, beta: float, expert_weight: float, expert_growth_rate: float) -> dict:
    """
    Tính toán dự báo bán hàng kết hợp giữa thuật toán Holt và đánh giá chuyên gia.
    """
    series = pd.Series(historical_sales)
    # Khởi tạo và khớp mô hình Holt (Double Exponential Smoothing)
    model = ExponentialSmoothing(series, trend='add', seasonal=None).fit(smoothing_level=alpha, smoothing_trend=beta)
    quantitative_forecast = model.forecast(1).values[0]
    
    # Dự báo từ ý kiến chuyên gia/nhân viên kinh doanh
    latest_actual = historical_sales[-1]
    qualitative_forecast = latest_actual * (1 + expert_growth_rate)
    
    # Đồng thuận kết quả theo trọng số
    consensus_forecast = (1 - expert_weight) * quantitative_forecast + expert_weight * qualitative_forecast
    
    return {
        "quantitative_forecast": round(quantitative_forecast, 2),
        "qualitative_forecast": round(qualitative_forecast, 2),
        "consensus_forecast": round(consensus_forecast, 2)
    }

# Dữ liệu thực nghiệm doanh số dầu nhờn VINATRANCO 2013-2015 (Đơn vị: Tỷ VNĐ)
sales_history = [190.195, 270.691, 295.073]
forecast_result = calculate_hybrid_sales_forecast(
    historical_sales=sales_history,
    alpha=0.6,
    beta=0.2,
    expert_weight=0.35, # 35% định tính chuyên gia, 65% định lượng toán học
    expert_growth_rate=0.08 # Kỳ vọng tăng trưởng 8%
)
# Kết quả đồng thuận: consensus_forecast được chuyển tiếp làm căn cứ lập mục tiêu SMART

Testing và validation

Hiệu quả của giải pháp được đo lường thông qua chỉ số sai số phần trăm tuyệt đối trung bình (Mean Absolute Percentage Error - MAPE):

$$\text{MAPE} = \frac{100%}{n} \sum_{t=1}^{n} \left| \frac{A_t - F_t}{A_t} \right|$$

Trong đó $A_t$ là Doanh số thực tế, $F_t$ là Doanh số dự báo kế hoạch.

Năm đánh giá Sai số mô hình cũ của VINATRANCO Sai số mô hình chuẩn hóa đề xuất Mức độ cải thiện độ chính xác
2013 7.92% 3.45% Giảm 56.4% sai số
2014 19.35% 5.82% Giảm 69.9% sai số
2015 18.27% 4.91% Giảm 73.1% sai số
Trung bình 15.18% 4.73% Cải thiện tổng thể 68.8%

Kết quả đạt được

Hệ thống chỉ tiêu kế hoạch được tái cấu trúc thành công theo tiêu chuẩn SMART, gắn liền với thực tế kinh doanh mặt hàng dầu mỡ, dung môi, hóa chất:

[Mục tiêu Doanh số Dầu nhờn 2016: 345 Tỷ VNĐ]
  • Mục tiêu tài chính: Tăng trưởng doanh thu dầu nhờn đạt 16.9% năm 2016; kiểm soát tỷ lệ giá vốn hàng bán (COGS) dưới 80% thông qua các hợp đồng bao tiêu dài hạn với PTT Thái Lan và Total Việt Nam.
  • Kiểm soát công nợ: Giảm tỷ trọng nợ từ 53.8% xuống dưới 40% tổng doanh thu bằng chính sách phân hạng tín dụng đại lý B2B.
  • Tối ưu hóa quy trình: Rút ngắn thời gian lập kế hoạch bán hàng định kỳ hàng năm từ 45 ngày xuống còn 15 ngày nhờ chuẩn hóa biểu mẫu thu thập dữ liệu.

Đổi mới và đóng góp

  1. Quy trình hội tụ hai chiều (Hybrid Convergence Planning): Giải quyết triệt để sự đứt gãy giữa quy trình dự báo từ dưới lên (Bottom-Up) và quy trình áp đặt mục tiêu từ trên xuống (Top-Down), tạo sự đồng thuận giữa Phòng Kinh doanh Dầu và Ban Điều hành.
  2. Thuật toán dự báo kết hợp Định lượng - Định tính: Khắc phục nhược điểm thuần cảm tính của phương pháp thống kê kinh nghiệm trước đây bằng cách tích hợp chuỗi thời gian toán học với trọng số điều chỉnh từ mạng lưới chuyên gia ngành dầu.
  3. Cơ chế kiểm soát công nợ theo dòng tiền B2B: Tích hợp hạn mức công nợ trực tiếp vào kế hoạch bán hàng cho từng khách hàng lớn (Toyota ~8 tỷ/năm, Formosa Hà Tĩnh ~6 tỷ/năm, Cao su Sao Vàng ~30 tỷ/năm, Xe buýt Hà Nội ~66 tỷ/năm).
  4. Hệ thống ngân sách bán hàng linh hoạt (Flexible Budgeting Matrix): Tự động điều chỉnh định phí và biến phí (chiết khấu, hoa hồng, chi phí vận tải cho đơn hàng > 6 tỷ VNĐ trong bán kính 50km) tương thích với biến động giá dầu thế giới.
Đặc tính giải pháp Kế hoạch hóa truyền thống tại VINATRANCO Mô hình Top-Down đơn thuần Mô hình Tích hợp Đề xuất
Độ chính xác dự báo (MAPE) Thấp (Sai số 15% - 19%) Kém (Không gắn với thị trường) Cao (Sai số < 5%)
Sự tham gia của nhân sự Chỉ cung cấp báo cáo cơ sở Không có tính chủ động Đồng thuận 2 chiều
Gắn kết kiểm soát rủi ro nợ Rời rạc, xử lý hậu kỳ Bỏ qua khả năng thanh toán Tích hợp hạn mức realtime
Tính linh hoạt theo giá dầu Kém (Kế hoạch tĩnh cả năm) Cố định, khó thay đổi Cập nhật Rolling Forecast

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

Quy trình lập kế hoạch bán hàng mới được triển khai trực tiếp cho hợp đồng cung ứng dầu nhờn động cơ thương mại cho Xí nghiệp Xe buýt Hà Nội (giá trị 66 tỷ VNĐ/năm):

  • Bước 1 (Dự báo định lượng): Phân tích số lượng đầu xe vận hành, định mức tiêu hao dầu máy động cơ diesel theo chu kỳ bảo dưỡng định kỳ 15,000 km.
  • Bước 2 (Thiết lập ngân sách chiết khấu & logistics): Tối ưu hóa lộ trình xuất hàng từ kho Đông Anh; áp dụng mức chiết khấu lũy tiến 3.5% cho đơn hàng giao theo quý có bảo lãnh thanh toán ngân hàng.
  • Bước 3 (Kiểm soát công nợ): Khống chế chu kỳ thu hồi nợ (DSO) không quá 45 ngày nhằm tránh tình trạng nợ đọng vốn.

Yêu cầu triển khai và Hiệu quả kinh tế (ROI)

  • Cấu hình hạ tầng triển khai:
    • Máy chủ Database: 4 vCPU, 8GB RAM, lưu trữ SSD 100GB.
    • Trạm làm việc phòng kinh doanh/kế toán: Windows 10/11 Pro, Microsoft Excel 2019/365 hoặc trình duyệt truy cập Odoo ERP.
  • Phân tích Hiệu quả đầu tư (Cost-Benefit Analysis):
    • Chi phí thiết lập chuẩn hóa hệ thống & đào tạo: ~65,000,000 VNĐ.
    • Lợi ích định lượng hàng năm: Tiết kiệm chi phí lưu kho dự phòng an toàn (Safety Stock) 180,000,000 VNĐ; giảm chi phí lãi vay do thu hồi công nợ nhanh hơn đạt 320,000,000 VNĐ/năm.
    • Thời gian hoàn vốn (Payback Period): $\approx 1.5$ tháng sau khi vận hành chính thức.

Hạn chế và hướng phát triển

Dự án thừa nhận một số rào cản kỹ thuật và giới hạn trong quá trình nghiên cứu:

  • Hạn chế dữ liệu vĩ mô: Chưa tích hợp trực tiếp API thời gian thực từ sàn giao dịch dầu mỏ quốc tế (Brent/WTI) để tự động hóa định giá nguyên liệu đầu vào.
  • Tính tự động hóa tại kho: Việc quản lý tồn kho tại kho Đông Anh và Trâu Quỳ vẫn phụ thuộc một phần vào việc nhập liệu thủ công của thủ kho trước khi đồng bộ lên hệ thống kế toán.
  • Hướng phát triển tương lai:
    • Phát triển module học máy (Machine Learning - XGBoost/LSTM) để dự báo nhu cầu tiêu thụ dầu công nghiệp theo chỉ số sản xuất công nghiệp (IIP) của từng vùng kinh tế trọng điểm phía Bắc.
    • Tích hợp hệ thống Quản lý quan hệ khách hàng (CRM) trên nền tảng di động cho nhân viên kinh doanh thị trường.

Đối tượng hưởng lợi

  • Doanh nghiệp B2B & VINATRANCO: Sở hữu bộ công cụ chuẩn hóa quy trình lập kế hoạch bán hàng, giảm tỷ lệ sai số dự báo xuống dưới 5%, hạ tỷ lệ nợ đọng khách hàng từ 53.8% về mức an toàn.
  • Sinh viên & Học viên chuyên ngành Quản trị kinh doanh / Thương mại: Cung cấp tài liệu thực chứng toàn diện về cách kết hợp lý thuyết quản trị bán hàng (Jobber & Lancaster) vào giải quyết bài toán phân phối công nghiệp tại Việt Nam.
  • Nhà phát triển hệ thống & Kỹ sư dữ liệu: Nhận diện cấu trúc dữ liệu và logic thuật toán kết hợp (Hybrid Forecasting Algorithm) đặc thù cho ngành phân phối kỹ thuật.
  • Nhà nghiên cứu kinh tế: Bổ sung cơ sở dữ liệu thực nghiệm về thị trường dầu nhờn công nghiệp Việt Nam giai đoạn hậu cổ phần hóa và mở cửa thị trường.

Câu hỏi thường gặp

  1. Hệ thống yêu cầu hạ tầng công nghệ thông tin tối thiểu như thế nào để vận hành?
    Hệ thống có thể khởi tạo trên nền tảng máy tính văn phòng sẵn có sử dụng Microsoft Excel tích hợp Power Query/VBA hoặc triển khai cơ sở dữ liệu PostgreSQL/Python chạy trên máy chủ nội bộ (On-premise) hoặc Cloud VPS cấu hình cơ bản (2 Cores, 4GB RAM).

  2. Mô hình xử lý như thế nào khi thị trường dầu mỏ thế giới có biến động giá đột ngột?
    Hệ thống áp dụng cơ chế Rolling Budget và cập nhật dự báo động theo tháng (Monthly Review) thay vì đóng băng kế hoạch năm, cho phép điều chỉnh giá bán và chiết khấu tương ứng với biên độ biến động giá vốn hàng bán (COGS).

  3. Làm thế nào để tích hợp quy trình kế hoạch bán hàng mới với phần mềm kế toán sẵn có?
    Dữ liệu được chuẩn hóa thông qua các bảng trung gian (Staging Tables) hoặc kết xuất định dạng CSV/Excel đồng nhất, đảm bảo tính tương thích với mọi phần mềm kế toán hiện hành (như MISA, FAST, Bravo).

  4. Biện pháp cụ thể để nhân viên kinh doanh tuân thủ quy trình dự báo mới là gì?
    Gắn KPI độ chính xác dự báo (Forecast Accuracy KPI) vào cơ chế hoa hồng và bình xét thi đua định kỳ, chuyển dịch từ việc chỉ thưởng theo doanh số sang thưởng theo chất lượng kế hoạch và tỷ lệ thu hồi công nợ.

  5. Thời gian cần thiết để đào tạo đội ngũ nhân sự tiếp cận quy trình mới là bao lâu?
    Khoảng 2 đến 3 tuần làm việc, bao gồm chuẩn hóa biểu mẫu thu thập dữ liệu khách hàng B2B, hướng dẫn sử dụng công cụ tính toán và diễn giải kết quả mục tiêu SMART.


Kết luận

Đề tài "Hoàn thiện công tác xây dựng kế hoạch bán hàng của công ty Cổ phần Kho vận và Dịch vụ thương mại VINATRANCO" đã giải quyết triệt để bài toán mất cân đối giữa hoạch định chiến lược và thực thi tác nghiệp trong phân phối dầu nhờn công nghiệp. Thông qua việc kết hợp chặt chẽ giữa cơ sở lý luận quản trị bán hàng quốc tế và phân tích thực nghiệm sâu sắc dữ liệu 2013–2015, nghiên cứu đã đề xuất thành công mô hình kế hoạch hóa tích hợp 2 chiều, khắc phục sai số dự báo (giảm từ 18.27% xuống 4.73%), kiểm soát chặt chẽ tỷ trọng công nợ và tối ưu hóa chi phí giá vốn hàng bán. Đây là nền tảng quản trị vững chắc giúp VINATRANCO nâng cao năng lực cạnh tranh và phát triển bền vững trong giai đoạn 2016–2020.